Etliche Erweiterungen ließen sich noch wünschen, die sowohl die bereits implementierten Algorithmen verbessern würden, als auch
gänzlich neue Fähigkeiten mit sich brächten. So ist etwa eine Erweiterung der numerischen Integration
denkbar, die bei der Berechnung der Selbstinduktivitäten für die Berechnung
von relativ weit auseinanderliegenden Elementen nicht auf die sehr
rechenintensiven Integrationsformeln von Stroud zurückgreift, sondern
abhängig von der Entfernung ausreichend genaue aber einfache
Integrationschemata (z.B. Näherung für weit entfernte Elemente, wie bei der
Berechnung der Gegeninduktivität) anwendet.
Klassische Implementierungen der Monte Carlo Methode haben einen recht
hohen Bedarf an Rechenzeit. Die implementierte Formulierung
versucht dies zu umgehen, indem auf den Gebrauch von sehr ressourcenintensiven
Algorithmen, die die gesamte Geometrie
durchsuchen, verzichtet wird. Im Zuge weiterer Aktivitäten kann der Monte Carlo Algorithmus
durch Anwendung von gängigen Varianzreduktionsschemata noch beschleunigt
werden.
Das Verfahren zur Auswahl der Auswertungspunkte könnte beibehalten werden,
wenn die Wahrscheinlichkeitsdichte je Element konstant ist.
Abgesehen von obigen Vorstellungen, wäre außerdem auch durchaus eine
Analyse im Frequenzbereich wünschenswert, weil damit Lösungen für die Betriebsfrequenz angeboten werden könnten.
Dies würde der Tatsache
Rechnung tragen, dass aufgrund des Skineffekts der Widerstand und die
Induktivität frequenzabhängig sind. Ein anderer gangbarer Weg
wäre ein transienter Modus, in dem die Verzögerung als RLC-Effekt berechnet
werden könnte.
Dabei müßte allerdings die elektrische Feldstärke nicht nur
aus dem Gradienten des Skalarpotenzials bestehen, sondern auch die zeitliche
Ableitung des magnetischen Vektorpotenzials beinhalten. Das elektrische Potenzial und das magnetische Vektorpotenzial sind
durch die Quellenfreiheit der Stromdichte gekoppelt und
können nicht mehr unabhängig voneinander berechnet werden.
Ein weiterer Punkt ist die steigende Anforderung von schnellen Ergebnissen und immer komplexeren Anwendungen, die natürlich auch den Wunsch von automatisierbaren, adaptiven Gittergeneratoren, die nur dort Punkte streuen, mitunter adaptiv verfeinern, wo es unbedingt notwendig ist und sonst mit so wenig Punkten wie möglich auskommen, um die geforderte Genauigkeit in den Rechenergebnissen zu erreichen. Da a priori die Lösung allerdings nicht bekannt ist, bedarf dies einer bereits berechneten Lösung, von der ausgehend, der lokale Fehler in jedem Element abgeschätzt wird und die daraus resultierenden Adaptionsschritte veranlasst werden. Gitterverfeinerung ist ganz besonders bei quasistatischer Simulation wichtig, da die Anforderungen an das Gitter von der Frequenz abhängig sind, so muss das Gitter z.B. fein genug sein, um die unterschiedlichen Stromdichten, verursacht durch den Skineffekt, aufzulösen.